Cole y Marandi proponen leer el aprendizaje con IA como una relación entre estudiantes, plataformas y universidad. Su aporte más fértil no es probar que la IA mejore o empeore el aprendizaje, sino mostrar qué condiciones de presión, aceleración y evaluación hacen que ciertas formas de uso parezcan necesarias.
Frente a los límites del constructivismo ante sistemas opacos, Anita Samuel propone la «coagencia epistémica» para articular la colaboración humano-máquina sin caer en la pasividad cognitiva ni ceder el juicio crítico.
Revisión narrativa de evidencia experimental y respuestas institucionales sobre IA y aprendizaje; distingue tendencias, efectos situados y orientaciones.
Ajjawi y colegas distinguen autenticidad psicológica, fidelidad ontológica y teoría de la práctica para analizar los propósitos y límites de una evaluación situada.
Nueve etapas para investigar, argumentar y revisar un ensayo, con seis formas opcionales de apoyo de IA, tres literacidades, ejemplos y evaluación de producto y proceso.
Un estudio multi-método (N=912, China–Europa–EE.UU.) que reformula el debate sobre la IA en el aula: cuando el estudiante encuadra a la IA como compañero intelectual y no como herramienta, la delegación cognitiva deja de ser un atajo y se vuelve liberación de recursos para el pensamiento de orden superior.
Tres documentos orientadores para bachillerato, licenciatura y posgrado, con sus PDF completos y una comparación que distingue lo común de lo específico de cada nivel.
La IA generativa obliga a revisar qué evidencia permite valorar aprendizaje; la autenticidad ofrece criterios situados, no una receta inmune a la automatización.
Un marco tentativo para analizar cómo las posibilidades y los límites de la IA generativa interactúan con la alfabetización en retroalimentación del estudiantado.
